自动驾驶圈的人才流动，在近几年尤为明显，特别是美国多个自动驾驶公司或部门被收购后，一大批自动驾驶人才选择自主创业。

而在不同的创业方向中，原Uber ATG部门首席科学家Raquel Urtasun的选择较为独特。

Waabi Innovation创始人，Raquel Urtasun

去年6月，沉寂一段时间的Raquel Urtasun突然宣布创建Waabi Innovation，通过研发端到端的自动驾驶仿真训练平台，提升自动驾驶技术以进入无人重卡市场。

经过半年多的研发后，Waabi的仿真测试平台已有进展，不过其产品却引来众多专家的质疑，这又是为何？

AI自动驾驶仿真测试平台利与弊

相对于其它自动驾驶模拟平台，Raquel Urtasun更注重将AI融入应用。

Raquel Urtasun认为，传统方法限制了 AI 的力量，开发人员必须手动调整软件堆栈，这是一项复杂且耗时的任务。

目前，尽管已有部分公司将深度学习引入仿真测试平台，但深度学习的“黑匣子”特性，使得研究人员无法查清其如何解决特定任务的方式及原因。

因此，她决定将深度网络、概率推理和复杂优化相结合，以提升自动驾驶系统的迭代速度。Raquel Urtasun 断言，Waabi 的仿真测试平台通过人工智能来设计测试、评估技能和教授自动驾驶系统“学会自己驾驶”。她表示，该平台可通过数据构建真实世界的“数字孪生”，并模拟实时传感器，自动制作场景对自动驾驶系统进行压力测试，无需人工干预。

具体而言，Waabi的模拟平台路线有两大特点：

• 一是使用闭环模拟器，实现常见驾驶场景和Corner cases的大规模测试；

• 二是构建仿真器，利用深度学习进行激光仿真，快速提升虚拟路测和自动驾驶的迭代优化速度。

Waabi称，该技术通过减少对现实道路测试的需求，将为测试和制造自动驾驶汽车带来更安全、更低成本的自动驾驶解决方案。

针对此，美国韦恩州立大学计算机科学系教授施巍松提出，因其技术过于依赖人工智能设计测试、评估技能和训练自动驾驶系统，可能不能解决当今自动驾驶仿真测试平台的所有问题。

他认为，Waabi模拟的传感器信息中应加入真实道路中出现的噪声，并应允许用户设定更多样化的场景。

此外，与真实世界不同的是，在涉及真实数据的仿真测试中，无论传感器是否捕获视点，每个测试场景必须根据自动驾驶汽车的运动而使用预测模型进行渲染。这也意味着，渲染只是粗略地还原世界。

“我认为，在我们涵盖了所有典型的驾驶模拟场景之前，需要进行实际测试以测试Corner cases。”施巍松表示。“我相信模拟测试的作用目前是有限的，只有通过实际体验这些场景，自动驾驶汽车才能学会对不同的驾驶模式作出反应。”

美国韦恩州立大学计算机科学系教授施巍松

不完美的仿真测试技术

仿真测试技术，长期被视为自动驾驶技术快速迭代的技术手段之一。

兰德智库关于自动驾驶汽车的一份评估报告显示，自动驾驶系统若达到量产应用条件，至少需要经过110亿英里的道路验证。对于车队规模较小，资金并不充裕的自动驾驶公司而言，需要数年、甚至数十年才能完成这一目标。

不过对于自动驾驶汽车究竟需要完成多少里程的道路测试，目前业内没有公认的标准。

因此，从过去至现在，仿真测试技术因其可通过模仿真实世界道路的交通环境，短时间且成本低廉地为自动驾驶系统获取海量道路数据而备受各自动驾驶公司的青睐。

不过极少有人关注到，仿真测试技术存在的不足。

仿真测试技术，大致可分为三种类型：

• 回放传感器日志，重新回放自动驾驶汽传感器捕获的数据，以训练自动驾驶系统。

• 运动规划模拟，模拟身临其境的虚拟世界。

• 虚拟世界渲染，利用渲染技术自动扩大虚拟世界范围。